3W Dataset 2.0.0: a realistic and public dataset with rare undesirable real events in oil wells

Este artigo apresenta a versão 2.0.0 do Conjunto de Dados 3W, um recurso de séries temporais multivariadas rotuladas por especialistas e disponível publicamente, contendo eventos reais raros e indesejados em poços de petróleo, concebido para avançar metodologias de detecção precoce impulsionadas por IA e mitigar riscos econômicos, ambientais e de segurança no setor.

O essencial

Imagine a indústria do petróleo como uma orquestra massiva e complexa. Cada poço de petróleo é um músico tocando um instrumento específico. Geralmente, eles tocam uma melodia suave e previsível (operação normal). Mas, às vezes, um músico erra uma nota, o instrumento trava ou a partitura se rasga. Estes são os "eventos indesejados" — como uma válvula fechando inesperadamente ou um bloqueio se formando em um tubo. Se o maestro (a empresa de petróleo) não notar esses erros imediatamente, toda a orquestra pode colapsar, levando a dinheiro desperdiçado, vazamentos ambientais ou até ferimentos.

Este artigo apresenta uma nova e atualizada "biblioteca de partituras" chamada Conjunto de Dados 3W 2.0.0. É uma coleção pública de gravações (dados) que ajuda os computadores a aprender a identificar esses erros antes que a orquestra colapse.

Aqui está uma análise do que este artigo afirma, usando analogias simples:

1. O que é este Conjunto de Dados?

Pense no conjunto de dados como uma biblioteca gigante de gravações que viajam no tempo.

• A Gravação: Em vez de áudio, ela registra 27 diferentes "sensores" (como pressão, temperatura e taxas de fluxo) de poços de petróleo, tictacando a cada segundo.
• O Rótulo: Cada gravação vem com um "adesivo" de um especialista humano. O adesivo diz: "Esta parte era normal", "Esta parte foi um fechamento súbito de válvula" ou "Esta parte foi um bloqueio se formando".
• O Objetivo: O objetivo é ensinar a Inteligência Artificial (IA) a ler esses adesivos e aprender os padrões para que ela possa identificar um problema em uma nova gravação sem precisar que um humano a examine primeiro.

2. Os Três Tipos de "Músicos" (Fontes de Dados)

O artigo explica que eles não apenas pegaram gravações da vida real; usaram três métodos diferentes para construir esta biblioteca, cada um com seu próprio sabor:

• Vida Real (O Concerto ao Vivo): Estas são gravações reais de poços de petróleo reais pertencentes à Petrobras (um gigante do petróleo brasileiro).
  • O Problema: A vida real é bagunçada. Às vezes o microfone (sensor) para de funcionar ou a fita trava (dados congelados). Os autores intencionalmente mantiveram essas bagunças nos dados. Por quê? Porque querem treinar a IA para ser forte o suficiente para lidar com uma sala de concertos real e bagunçada, não apenas um estúdio perfeito.
• Simulado (O Ensaio): Alguns problemas (como um tipo específico de bloqueio de tubo) são tão raros na vida real que quase nunca acontecem. Para obter exemplos suficientes, a equipe usou um simulador de supercomputador (OLGA) para "ensaiar" esses desastres.
  • O Problema: Estas são gravações perfeitas e limpas. Sem estática, sem notas faltando. Elas são ótimas para ensinar à IA como um desastre "perfeito" se parece.
• Desenhado à Mão (O Esboço): Alguns problemas são tão estranhos que até o supercomputador não consegue simulá-los com precisão. Então, especialistas humanos pegaram uma caneta e papel e desenharam como as leituras dos sensores deveriam parecer durante esses eventos raros.
  • O Problema: Estes são como um esboço de uma música feito por um músico. Eles capturam a essência e a forma do problema, mesmo que não sejam uma gravação real.

3. O que há de Novo na Versão 2.0.0?

A primeira versão desta biblioteca foi lançada em 2019. Este artigo anuncia a Versão 2.0.0, que é como um grande pacote de expansão para um videogame. Aqui está o que mudou:

• Mais Poços: Eles dobraram o número de poços de petróleo reais que gravaram (de 21 para 42).
• Mais Sensores: Eles adicionaram 20 novos "microfones" (variáveis) às gravações, dando uma imagem muito mais clara do que está acontecendo.
• Novos Problemas: Eles adicionaram um novo tipo de desastre à lista: "Hidrato na Linha de Serviço" (um tipo específico de bloqueio semelhante ao gelo).
• Melhores Rótulos: Eles adicionaram um novo tipo de "adesivo" chamado Rótulo de Estado. Antes, os adesivos diziam apenas "Normal" ou "Quebrado". Agora, eles também dizem o que o poço estava fazendo naquele momento (por exemplo, "Estamos lavando-o com diesel", "Estamos desligando-o" ou "Estamos reiniciando-o"). Isso ajuda a IA a entender o contexto, não apenas o ruído.
• Melhor Formato: Eles mudaram de formatos de arquivo antigos e pesados (CSV) para um formato moderno e de alta velocidade chamado Parquet, que é como mudar de um disquete para um disco de estado sólido.

4. Por que isso Importa?

O artigo afirma que ter esta biblioteca específica e de alta qualidade permite que pesquisadores e empresas:

• Treinem IAs Melhores: Porque os dados incluem problemas "bagunçados" do mundo real, a IA treinada com eles não ficará confusa quando encontrar poços de petróleo reais.
• Detectem Problemas Cedo: A IA pode aprender os "tremores" sutis nos dados que acontecem antes de um desastre ocorrer, permitindo que os operadores o corrijam cedo.
• Compartilhem Conhecimento: Como este é um conjunto de dados público, qualquer pessoa (estudantes, startups, outras empresas de petróleo) pode baixá-lo e tentar criar melhores ferramentas de detecção.

5. O que o Artigo Não Afirma

• Ele não afirma que esta IA está atualmente operando em todos os poços de petróleo do mundo. É uma ferramenta para pesquisa e desenvolvimento.
• Ele não afirma ter resolvido o problema de vazamentos de petróleo ou acidentes. Ele afirma fornecer os dados necessários para construir soluções que possam preveni-los.
• Ele não discute usos médicos ou outras indústrias, embora a tecnologia (análise de séries temporais) pudesse teoricamente ser usada em outros lugares. O artigo foca estritamente em poços de petróleo.

Em resumo: Este artigo é um convite ao mundo para usar uma biblioteca massiva, atualizada e muito realista de "trilhas sonoras" de poços de petróleo para ensinar computadores a serem melhores detetives, identificando problemas em poços de petróleo antes que se tornem uma catástrofe.

Resumo técnico

1. Declaração do Problema

Na indústria de petróleo e gás, eventos indesejáveis em poços de petróleo (por exemplo, falhas de equipamentos, instabilidades de fluxo, formação de hidratos) levam a perdas econômicas significativas, acidentes ambientais e vítimas humanas. Embora a Inteligência Artificial (IA) e o Aprendizado de Máquina (ML) ofereçam soluções promissoras para a Detecção Precoce desses eventos por meio da Gestão de Eventos Anormais (AEM), seu sucesso depende fortemente da disponibilidade de conjuntos de dados de alta qualidade, rotulados e realistas.

Anteriormente a este trabalho, havia uma lacuna crítica de conjuntos de dados públicos contendo dados industriais do mundo real com eventos raros e indesejáveis. Conjuntos de dados existentes frequentemente careciam da complexidade das operações reais (por exemplo, valores ausentes, congelamento de sensores, ruído) ou não eram acessíveis publicamente, dificultando o desenvolvimento de modelos de detecção robustos e generalizáveis.

2. Metodologia

O artigo descreve a evolução e a estrutura do 3W Dataset 2.0.0, um conjunto de dados de Séries Temporais Multivariadas (MTS) gerenciado pela Petrobras. O conjunto de dados é construído utilizando três métodos distintos de geração de dados para garantir um equilíbrio entre realismo, volume e cobertura de eventos raros:

A. Fontes de Dados e Métodos de Geração

1. Instâncias Reais (Dados do Mundo Real):

   • Fonte: Extraídos dos Sistemas de Gerenciamento de Informações de Planta (PIMS) da Petrobras, especificamente ambientes do sistema AVEVA PI.
   • Características: Estas instâncias preservam a "desordem" dos dados industriais reais, incluindo variáveis congeladas, valores ausentes e outliers, que são deixados sem tratamento para desafiar os algoritmos a lidar com condições do mundo real.
   • Amostragem: Frequência de 1 Hz (intervalos de 1 segundo).
   • Rotulagem: Realizada por especialistas da Petrobras usando uma ferramenta web proprietária, validada por um comitê de especialistas e finalizada por um curador.

2. Instâncias Simuladas (Simulação Baseada em Física):

   • Fonte: Geradas utilizando OLGA, um simulador de fluxo multifásico dinâmico amplamente utilizado na indústria.
   • Características: Os dados são perfeitamente periódicos, sem valores ausentes ou ruído. Utilizados para gerar dados para eventos raros que são difíceis de capturar frequentemente em operações reais.
   • Rotulagem: Totalmente automatizada com base nos parâmetros de simulação.

3. Instâncias Desenhadas à Mão (Conhecimento Especializado):

   • Fonte: Criadas por especialistas da Petrobras usando uma ferramenta proprietária de processamento de imagens. Especialistas desenharam manualmente gráficos de séries temporais representando assinaturas específicas de eventos.
   • Características: Digitalizados a partir de gráficos em papel. Utilizados para eventos que são tanto raros quanto difíceis de simular com precisão.
   • Rotulagem: Derivada diretamente das marcações dos especialistas nos gráficos originais.

B. Estrutura e Nomenclatura dos Dados

• Formato: O conjunto de dados está organizado em arquivos Apache Parquet (orientados a coluna, comprimidos com Brotli) para armazenamento e recuperação eficientes, substituindo o formato CSV da versão 1.0.0.
• Variáveis: Cada instância contém 27 variáveis representando grandezas físicas (pressão, temperatura, vazão, estados de válvulas) em todo o sistema de produção do poço (árvore de natal subaquática, umbilical, etc.).
• Rótulos: O conjunto de dados introduz um sistema de dupla rotulagem:
  • Rótulos de Classe: Indicam a natureza do evento (por exemplo, Operação Normal, Aumento Abrupto de BSW, Formação de Hidratos). Os códigos variam de 0 (Normal) a 9 (Eventos Específicos) e 101–109 (Condições Transitórias).
  • Rótulos de Estado: Indicam o status operacional do poço (por exemplo, Aberto, Fechado, Lavagem com Diesel/Gás, Bullheading, Despressurização).

C. Escopo

O conjunto de dados cobre poços de produção de petróleo offshore do tipo satélite operando sem um manifold. Inclui dados de 42 poços diferentes abrangendo o período de 2011 a 2023.

3. Contribuições Principais

A contribuição primária deste artigo é o lançamento e a documentação detalhada do 3W Dataset 2.0.0, que representa uma atualização significativa em relação à versão 1.0.0. Os avanços-chave incluem:

• Ampliação da Cobertura de Eventos: Introdução de um novo tipo de evento, "Hidrato na Linha de Serviço", e aumento de instâncias para eventos raros existentes.
• Aumento do Volume de Dados:
  • Total de instâncias aumentado de ~1.984 para 2.228.
  • Instâncias reais aumentadas em 94; instâncias simuladas aumentadas em 150.
  • O número de poços reais cobertos dobrou (de 21 para 42).
• Conjunto de Variáveis Aprimorado: Uma variável foi descontinuada e 20 novas variáveis foram adicionadas, totalizando 27, proporcionando uma visão mais abrangente do sistema de produção.
• Nova Dimensão de Rotulagem: A adição de Rótulos de Estado permite que pesquisadores correlacionem procedimentos operacionais específicos (por exemplo, "Bullheading") com comportamentos de variáveis, permitindo um treinamento de modelo mais nuances.
• Infraestrutura:
  • Migração para o formato Parquet para melhor desempenho.
  • Desenvolvimento do 3W Toolkit (baseado em Python) para facilitar o carregamento de dados, visualização e cálculo de métricas.
  • Estabelecimento de uma Comunidade 3W e um módulo de Laboratório Aberto para fomentar a pesquisa colaborativa.

4. Resultados e Estatísticas

O artigo fornece uma visão estatística da composição e qualidade do conjunto de dados:

• Distribuição: O conjunto de dados contém 1.119 instâncias reais, 1.089 instâncias simuladas e 20 instâncias desenhadas à mão.
• Métricas de Realismo: O subconjunto de dados reais exibe desafios significativos do "mundo real":
  • 65,90% das observações de variáveis estão ausentes.
  • 9,77% das variáveis estão congeladas.
  • 5,26% das observações não estão rotuladas.
• Impacto na Comunidade: O artigo destaca a adoção do conjunto de dados, citando mais de 100 trabalhos publicados (incluindo teses, artigos de periódicos e artigos de conferência) que utilizam o 3W Dataset, demonstrando seu papel crescente como um benchmark fundamental para Detecção e Diagnóstico de Falhas (FDD) na indústria de petróleo.

5. Significado

O 3W Dataset 2.0.0 é significativo por várias razões:

1. Preenchendo a Lacuna de Dados: Aborda a escassez de dados de séries temporais industriais públicos e rotulados, especificamente para modos de falha raros e críticos em poços de petróleo.
2. Realismo para Robustez: Ao preservar intencionalmente imperfeições nos dados (valores ausentes, sensores congelados), força o desenvolvimento de modelos de ML robustos o suficiente para serem implantados em ambientes industriais reais, em vez de funcionarem apenas em dados limpos e sintéticos.
3. Potencial de Aprendizado por Transferência: O grande volume e a diversidade dos dados tornam-no um recurso ideal de "pré-treinamento" para frameworks de Aprendizado por Transferência, permitindo que modelos treinados neste conjunto de dados sejam ajustados para tarefas específicas com escassez de dados.
4. Ciência Aberta e Colaboração: Gerido sob uma licença CC BY 4.0 e hospedado no GitHub/Figshare, promove a inovação aberta, permitindo que pesquisadores, startups e operadores colaborem na melhoria dos sistemas de Detecção Precoce, aprimorando finalmente a segurança e reduzindo perdas econômicas no setor de energia.

Em conclusão, o artigo apresenta um conjunto de dados maduro, impulsionado pela comunidade e tecnicamente rigoroso que serve como um facilitador crítico para o avanço da segurança e eficiência orientadas por IA na indústria de petróleo e gás.